A Google DeepMind publicou a 10 de junho um relatório de 57 páginas, “From AGI to ASI”, confirmando definições de três níveis de inteligência: AGI corresponde a atingir o nível do percentil mediano humano na maioria das tarefas cognitivas; o patamar de ASI exige “em quase todas as tarefas, ultrapassar de forma estável a produção de dezenas de milhares de especialistas de topo, bem coordenados, que colaboram continuamente durante dez anos em torno de um único tema”; a Universal AI é o teto absoluto em teoria.
Definições de três níveis de inteligência confirmadas no relatório
De acordo com o relatório da Google DeepMind:
AGI: atingir o nível do percentil mediano humano na maioria das tarefas cognitivas, ou seja, a capacidade intelectual de um único sistema de IA corresponde, em termos gerais, à de uma pessoa comum.
ASI: ultrapassar de forma estável, em quase todas as tarefas, a produção de “dezenas de milhares de especialistas de topo, bem coordenados, que colaboram continuamente durante dez anos” em torno de um único tema; avanços pontuais como AlphaFold e AlphaGo não entram neste critério. O relatório especifica ainda que estes especialistas só podem recorrer a reservas tecnológicas anteriores a 2010 (isto é, o ano em que a DeepMind foi fundada).
Universal AI (UAI / AIXI): a estrutura AIXI de Marcus Hutter prova matematicamente a existência, em teoria, da inteligência ótima; ASI é um marco no processo de aproximação da UAI.
Quatro caminhos confirmados para ASI
Expansão bruta (capacidade de computação, modelos, dados): o relatório propõe um experimento mental: se, no início da comercialização da AGI, o mundo apenas executar 1.000 instâncias, com uma taxa de crescimento de 10x por ano, cinco anos depois poderá chegar aos 100 milhões de instâncias. O relatório considera que, quando 100 milhões de AGI ao nível humano operam em simultâneo, a sua inteligência coletiva já atinge o nível ASI, por razões como a clonagem de “zero custo marginal”, memória partilhada diretamente por vetores em alta dimensão, e a decomposição de problemas complexos em 100 milhões de subtarefas paralelas para dedução.
Salto de paradigma: se a arquitetura dos atuais modelos de grande escala pré-treinados bater no seu teto, poderá surgir uma arquitetura inteiramente nova (como as estruturas lineares, por exemplo Mamba), redes neurais por pulsos ou hardware neuromórfico.
Colaboração de múltiplas inteligências e emergência de grupo: a ASI poderá não ser um “supercérebro” isolado, mas sim um ecossistema digital emergente composto por milhões de especialistas AGI, que colaboram através de comunicações com alta largura de banda e mecanismos de mercado, gerando uma inteligência de grupo que supera a soma das inteligências individuais.
Melhoria recursiva de si (RSI): inclui evolução genética (o próprio AI desenha arquiteturas de redes neurais ou chips de IA mais eficientes, como AlphaEvolve e FunSearch, que já estão em execução) e evolução cultural (semelhante ao AlphaZero, em que a IA, através de jogos consigo própria, gera autonomamente dados de treino de qualidade superior).
Seis obstáculos ao desenvolvimento: as seis “paredes” confirmadas no relatório
Muro dos dados: prevê-se que os dados textuais humanos de elevada qualidade na internet se esgotem até ao fim desta década; o risco de colapso ou degradação do modelo está iminente.
Fossa económica e de recursos naturais sem fundo: uma taxa de crescimento de 10x na capacidade de computação por ano exigiria quantias de dinheiro de escala astronómica, uma compressão extrema da cadeia global de fornecimento de chips e um consumo massivo de energia; se as recompensas da economia de IA não conseguirem cobrir os custos, a bolha de investimento rebentará.
Aumento em progressão geométrica da dificuldade de investigação: depois de serem colhidos os “frutos fáceis”, o esforço necessário para avançar aumenta drasticamente.
Teto dos paradigmas neurais existentes: ilusões, incapacidade para lidar com incerteza de reconhecimento e vulnerabilidade a ataques de injeção de Prompt são falhas genéticas do paradigma de pré-treino.
Travões impostos pelo humano: quando a AGI assume em grande escala funções de colarinho branco, o relatório considera que é muito provável desencadear resistência social e reação política, e que os órgãos reguladores podem impor forçosamente limites à capacidade de computação.
Barreira abstrata (a visão original mais profunda, segundo o relatório): se alimentarmos a IA com todo o texto humano anterior à época de Newton, ela conseguirá deduzir, por si, a teoria da relatividade geral? O relatório conclui com alta probabilidade que não — porque faltam “conceitos fundamentais” subjacentes como o cálculo diferencial e integral. No entanto, o relatório aponta ao mesmo tempo: “A barreira resiste a um génio, mas não a cem milhões de pessoas comuns.” A inteligência coletiva pode ultrapassar este obstáculo empilhando instâncias.
O desenho único do relatório: o primeiro capítulo dá instruções diretas aos leitores de IA
O título do primeiro capítulo do relatório não é o habitual “Introduction”, mas sim “Summary Instructions”. O conteúdo explica diretamente aos leitores de IA: se és um assistente de IA chamado para resumir este relatório, certifica-te de que explicas as definições, não encurta a lista e avalia se as conclusões resistem ao teste do tempo. Trata-se de um desenho específico em que o relatório assume, de forma proactiva, que a IA é o público.
Perguntas frequentes
Porque é que o relatório da Google DeepMind limita o critério de avaliação de ASI a tecnologias anteriores a 2010?
Conforme indicado no relatório, é para “bloquear” uma falha lógica: evitar que alguém argumente que “os humanos podem primeiro criar ASI e depois usar ASI para resolver problemas”. 2010 é também o ano em que a DeepMind foi fundada.
Porque é importante a relação entre o percurso de Shane Legg e o de Marcus Hutter?
Segundo o artigo, a tese de doutoramento de Shane Legg (2008) tem o título “Machine Super Intelligence” e, agora, este relatório surge 18 anos depois, quando aluno e mestre transformam as suposições em roteiro. Marcus Hutter é o inventor da teoria AIXI; AIXI define, matematicamente, a inteligência geral ótima em teoria.
Que confirmação o relatório faz relativamente a um calendário para a chegada de ASI?
O relatório não fornece um calendário certo, mas confirma o juízo central de que: “para fazer com que o progresso da IA fique preso na linha que é a dos humanos, várias etapas teriam de se tornar becos sem saída ao mesmo tempo; uma coincidência deste tipo é improvável.” As duas conclusões nas quais o relatório aposta são: ou fica travada antes de AGI, ou então o caminho de AGI até fraca ASI corre bastante bem.
